Deep-Mobility：一种用于高效可靠 5G 切换的深度学习方法
机器学习
2021-01-20 v2 分布式、并行与集群计算
神经与进化计算
摘要
5G 蜂窝网络正在全球部署，该架构支持超密集网络（UDN）部署。小基站在为终端用户提供 5G 连接方面发挥着非常重要的作用。设备、数据和网络需求呈指数级增长，使得服务提供商必须更好地管理切换，以满足用户所期望的服务。与任何传统的切换改进方案不同，我们通过实现深度神经网络（DLNN）来开发“Deep-Mobility”模型，以管理网络移动性，利用网内深度学习与预测。我们使用网络关键性能指标（KPI）来训练我们的模型，以分析网络流量与切换需求。在该方法中，利用循环神经网络（RNN）或长短期记忆网络（LSTM）等深度神经网络持续观测和跟踪射频信号条件，并同时考虑系统级输入，以对切换做出集体决策。我们可以研究多个参数与系统事件之间的交互以及用户移动性，从而在任何给定场景中触发切换。在此，我们展示了基础的建模方法，并在研究来自用户设备（UE）和网络侧的某些 KPI 的影响与敏感性时，证明了我们模型的有效性。
引用
@article{arxiv.2101.06558,
title = {Deep-Mobility: A Deep Learning Approach for an Efficient and Reliable 5G Handover},
author = {Rahul Arun Paropkari and Anurag Thantharate and Cory Beard},
journal= {arXiv preprint arXiv:2101.06558},
year = {2021}
}
备注
This paper was accepted at the 29th ICCCN 2020